Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht
Аннотация
В данной статье представлены новые методы глубокого обучения, а именно глубокие остаточные сети сжатия (Deep Residual Shrinkage Networks), разработанные для улучшения способности выделения признаков из сильно зашумленных вибрационных сигналов и достижения высокой точности диагностики неисправностей. Для отсеивания несущественных признаков в глубокие архитектуры в качестве слоев нелинейного преобразования внедрена функция мягкой пороговой обработки (soft thresholding). Кроме того, учитывая, что подбор правильных пороговых значений, как правило, представляет сложность, разработанные сети включают в себя несколько специализированных нейронных подсетей. Они выступают в роли обучаемых модулей для автоматического определения порогов, что исключает необходимость в экспертных знаниях в области обработки сигналов. Эффективность предложенных методов подтверждена экспериментально на данных с различными типами шума.
Академическое влияние
Данная статья набрала более 1400 цитирований в Google Scholar.
По консервативным оценкам, глубокие остаточные сети сжатия (DRSN) использовались более чем в 1000 публикаций. В этих работах данная архитектура либо применялась напрямую, либо была усовершенствована для решения задач в широком спектре областей, включая машиностроение, электроэнергетику, компьютерное зрение (computer vision), здравоохранение, обработку речи, анализ текста, радиолокацию и дистанционное зондирование.
Литература
Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, Michael Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690.
https://ieeexplore.ieee.org/document/8850096
BibTeX
@article{Zhao2020,
author = {Minghang Zhao and Shisheng Zhong and Xuyun Fu and Baoping Tang and Michael Pecht},
title = {Deep Residual Shrinkage Networks for Fault Diagnosis},
journal = {IEEE Transactions on Industrial Informatics},
year = {2020},
volume = {16},
number = {7},
pages = {4681-4690},
doi = {10.1109/TII.2019.2943898}
}